哈佛大学《机器学习药物研发》IJCAI综述报告，Marinka Zitnik教授等，137页ppt，

随着机器学习在各种应用领域的显著成功，我们正目睹越来越多的人对机器学习在药物发现和开发中的应用感兴趣。

在本教程中，我们将介绍机器学习在过去几年中取得的关键进展，并强调这些进展在药物开发中带来的根本性的新机遇。我们感兴趣的是这些进步为什么以及如何帮助完成与药品有关的任务。我们通过六个关键任务详细阐述了机器学习在药物开发中的应用:(a)合成预测和新药设计，(b)分子性质预测，(c)虚拟药物筛选和药物靶标相互作用，(d)临床试验招募，(e)药物再利用，(f)药物不良反应和多用药。

我们讨论这些关键药物相关任务的方法背后的理论基础，阐明基于不同配方的各种方法，并总结代表性的应用。我们将涵盖生成模型、强化学习以及深度表示学习和嵌入方面的最新进展。为此，我们提出了一个用于端到端药物开发的人工智能算法工具箱。

药物的发现和开发是一个漫长而昂贵的过程。它通常从分子和目标的实验发现开始(即药物从头设计)，并在转入临床试验之前通过细胞系、类器官和动物的体外实验验证发现。一种新药从发现到监管机构批准的整个过程可能需要长达12年，成本高达28亿美元。此外，每个药物开发阶段都存在巨大的不确定性(1:50 000的成功率)。

机器学习方法已成为解决这些挑战和加速药物开发的一种有前途的工具。本教程将介绍以下与药物相关的主要任务:

合成预测和药物从头设计(即从头设计一个全新的分子)的目的是生成化学上正确的结构，以协助复杂的分子合成。
分子特性预测的目的是通过预测分子特性，如效力、生物活性和毒性，从分子数据来确定分子的治疗效果。
虚拟药物筛选和药物靶标识别的目的是预测药物如何通过与靶标蛋白结合并影响其下游活性来影响人体。
临床试验招募的目的是找到合适的医生帮助进行试验，以及找到合格的患者参与试验。
药物再利用寻求通过药物化学、目标和药物与疾病之间的副作用相似性来发现已知药物以及新分子的新用途。
药物不良反应、多重用药和药物-食品相互作用预测的目的是预测药物不良反应产生的机制，建议替代药物成员的预期药理作用没有负面的健康影响，并预测食品成分对相互作用药物的影响。

然后，我们将讨论解决这些与毒品有关的任务的主要方法:

生成模型。我们重点研究了适用于新分子设计的变分自编码器(VAE)和生成对抗网络(GAN)。他们以已知治疗性质的以直线或图形为基础的化合物表示为输入，将化合物编码为潜在空间，然后解码为新的药物样品。

强化学习。我们主要讨论策略梯度法，最先进的分子生成方法，可以结合特定领域的分子合成知识。

深度表示学习。我们提出主要的神经体系结构学习表示药物相关的数据。这些方法是相关的，因为它们在与药物有关的任务中达到了最先进的性能。例如，这些方法被用于自动学习药物指纹，学习药物蛋白结合亲和力，并招募患者参加临床试验。此外，图嵌入方法用于研究药物组合，并预测药物效应，因为药物扩散到生物网络中，超出了它们直接结合的分子。

目录内容：